假设我们有500k项目的训练数据,如果我们一次一个训练模型或者一次训练一个项目,或者一次训练一个项目,这有什么关系吗?张量流中的时代问题的训练数据的大小?
考虑到inputTrainingData
和outputTrainingData
为[[]]
和train_step
是任何通用张量流训练步骤。
选项1个火车一次一个项目 -
for i in range(len(inputTrainingData)):
train_step.run(feed_dict={x: [inputTrainingData[i]], y: [outputTrainingData[i]], keep_prob: .60}, session= sess)
选项2列车上一次全部 -
train_step.run(feed_dict={x: inputTrainingData, y: outputTrainingData, keep_prob: .60}, session= sess)
有作为选项1和2之间的任何差别以上就培训质量而言呢?
它通常是由于频繁的更新权重使用,因为它使用较少的内存和培训可以更快,以及。质量明智的应该没什么关系,但是非常小的批次可能会导致不太准确的预测。 – umutto
你可以批量的100号培训。 – CrisH
@umutto谢谢。 “批量很小,准确性较低” - 因此,1批量可以在培训中做出重大改变? – Achilles